一句话总结
随机过程不是背公式，而是理解不确定性如何在时间轴上演化。面试官问的不是“你知道这个定理吗”，而是“你能用这个工具解释市场为什么这样定价”。这篇文章帮你从“学生思维”切换到“交易员思维”——不是你会多少数学，而是你能用数学解决多少实际问题。
适合谁看
这篇文章写给三类人。第一类是正在准备量化分析师岗位面试的应届生或1-2年经验者，你的简历上写着“掌握随机过程”或“研究过期权定价”，但不确定面试官会问多深。第二类是转型做量化的工程师或数据科学家，你写代码没问题，但金融数学的底层逻辑是盲区。第三类是工作3-5年的quant researcher，面试高频交易或做市商岗位时，发现自己野路子的知识体系不够系统。
不适合谁看？如果你是数学PhD，主攻随机分析方向，这篇文章太浅。如果你是PM想了解一点皮毛，也太深。你的sweet spot是：知道一点布朗运动，听过伊藤引理，但无法把课堂知识和实际交易场景联系起来。
随机过程在量化面试中到底考什么
面试官问随机过程的真实意图不是考数学
大多数候选人把随机过程面试当成数学考试。这是第一个致命的理解偏差。面试官不是在确认你会做积分、会解微分方程——这些技能在工作中完全可以查文档、问Google、写代码验证。他们考的是三件事：你对不确定性的直觉、你能否把数学模型和真实市场行为对应、以及你在压力下能否承认“我不确定，但我可以推理”。
一个典型的场景是这样的。面试官说：“假设股票价格服从几何布朗运动，波动率是常数，那么看涨期权的价格是多少？”如果你直接背出Black-Scholes公式，恭喜你答对了，但只得了60分。满分答案是：“在风险中性测度下，股票价格服从几何布朗运动是Black-Scholes模型的假设之一。看涨期权价格可以通过解析公式计算，但更重要的是理解这个假设的局限性——现实市场中波动率不是常数，股价分布有肥尾，而且模型假设了连续交易，这些在实际中都不成立。”
注意差别：不是你知道公式，而是你知道公式什么时候失效。
不是你会推导BS公式，而是你知道它为什么错
面试官最常挖的坑是让你展示推导过程，然后问“你这个推导依赖哪些假设”。一个常见的失败案例是这样的。候选人花了5分钟在白板上写伊藤引理、构造对冲组合、得到PDE。最后面试官问：“你的对冲组合假设可以连续交易，现实中有交易成本怎么办？”候选人愣住了。
正确的反应应该在回答最开始就建立这个框架：“Black-Scholes模型的推导基于几个关键假设——连续时间、连续交易、无风险利率常数、波动率常数、以及股票价格服从几何布朗运动。每一个假设在实际市场中都不完全成立，所以模型给出的价格是一个基准，实际交易中需要调整。”这不是在否定模型的价值，而是在展示你理解模型的适用范围。
不是背假设列表，而是在讨论每个假设时给出市场实例。比如波动率常数这个假设，可以说：“VIX数据显示市场对波动率的预期随时间变化，而且股票下跌时波动率往往上升，这叫波动率偏斜(skew)，所以常数波动率的假设在实践中需要用局部波动率或随机波动率模型来修正。”
布朗运动不是“股价随机乱走”
这是第二个常见的理解偏差。候选人把布朗运动理解为“股价随机上下波动”——这个直觉在物理上是对的，但在数学上不够精确。面试官会问：“布朗运动是连续但不可微的，这是什么意思？为什么这对期权定价重要？”
正确理解：布朗运动W(t)是一个随机过程，它有几乎处处连续的路径，但是几乎处处不可导。这意味着股价路径是连续的，没有跳空，但它的变化率在任意时刻都不存在。你不能用“速度”概念来描述它，而要用“增量”——W(t+dt)-W(t) ~ N(0, dt)。
为什么这重要？因为伊藤引理的核心就是处理这种“连续但不可微”的过程。如果股价路径是可微的，普通微积分就够了。正是因为不可微，才需要伊藤积分，才有了Itô's lemma，才有了整个量化金融的数学基础。
一个好的回答应该这样展开：“布朗运动的核心性质是独立增量——W(t+dt)-W(t)独立于过去的历史。这意味着市场是有效的，过去的价格走势不能预测未来。而且增量服从正态分布，均值为0，方差与时间成正比。这个正态分布假设在实践中经常不成立，金融数据通常有肥尾，所以需要用更复杂的分布或过程来建模。”
面试流程拆解：每一轮考什么
第一轮：电话技术面（45-60分钟）
这一轮通常由团队里的senior quant或trader主导，考察基础概念和快速反应。开场10分钟会是简历深挖——你做过的项目、用过的数据、遇到的困难。然后进入技术问题环节。
这一轮随机过程的内容大约占20-30分钟，题目难度大概是“你听说过什么”和“你能用到什么”的区别。具体问题类型包括：
概念解释类：“解释一下布朗运动和几何布朗运动的区别”、“什么是马尔可夫性质”、“伊藤引理在做什么”。这类问题考察你是否真正理解定义，而不是只会套公式。
模型应用类：“股票价格为什么用几何布朗运动而不是算术布朗运动”、“为什么期权定价要用风险中性测度”、“如何用随机过程描述利率”。这类问题考察你能否把数学和金融联系起来。
计算类：“求几何布朗运动的均值和方差”、“推导dW^2=dt”、“计算简单期权的期望收益”。这类问题考察你的基本功，但通常不难。
这一轮淘汰率大约60-70%。常见挂的原因不是答不出，而是“答得太浅”——面试官能感觉到你是背的而不是理解的。
第二轮：现场或视频技术面（90-120分钟）
这一轮通常两到三个面试官，轮流提问或者一个主导。内容会更深入，而且会追问“你为什么这么答”。
随机过程会占40-50分钟，难度提升一个档次。具体变化是：
从“解释概念”变成“分析场景”。比如不是问“什么是布朗运动”，而是问“如果你发现股价收益率的正态假设不成立，你会怎么修改模型”。
从“单点知识”变成“串联理解”。比如问“你学过的所有随机过程里，哪些可以用来描述波动率，它们有什么区别”。
从“正确答案”变成“权衡取舍”。比如问“你会用Black-Scholes还是更复杂的模型，取决于什么”。
一个典型的深度问题是这样的。面试官说：“你为一个波动率交易策略建模。波动率有均值回归特性，你会选什么过程？”候选人说“Ornstein-Uhlenbeck过程”。面试官追问：“OU过程是连续的还是跳的？如果晚上有财报发布怎么办？”候选人需要意识到OU是连续过程，不捕捉跳，这时候应该讨论复合泊松过程或者跳跃-扩散模型。
这一轮的insider场景是hiring manager的偏好。有些manager喜欢问“你能想到的最复杂的模型是什么”，考察你的知识边界；有些喜欢问“你觉得哪个模型最有用”，考察你的实用主义；有些喜欢问“如果市场数据不支持你的假设怎么办”，考察你的怀疑精神。提前了解面试官的背景很有帮助。
第三轮：HM面或团队面（45-60分钟）
这一轮技术内容减少，更多是fit和动机。但随机过程仍然会出现，不过是以“你怎么向非技术人解释”的形式。
比如：“向一个完全没有金融背景的人解释，为什么期权价格取决于波动率而不是方向？”这需要你把随机过程的直觉翻译成大白话。
或者：“你的模型假设错了，但交易策略还是赚钱的，怎么回事？”这考察你对模型风险的理解。
第四轮：终面（30-45分钟）
通常是部门head或者MD，主要看文化fit和长期潜力。技术问题很少，但可能被问到“你对quant research的理解”这种宏观问题。
准备清单
第一，系统性拆解面试结构。随机过程只是quant面试的一部分，你还需要准备概率统计、编程、行为问题等模块。PM面试手册里有完整的quant面试各模块实战复盘可以参考，包括每一轮的高频问题和回答框架。
第二，建立你自己的“随机过程字典”。把学过的每个概念用一句话解释给自己听，如果解释不清楚就去查，直到能通俗地说出来。面试时最怕的是“你知道但说不清楚”。
第三，准备3-5个“模型失败”的案例。不是背假设列表，而是具体讲一个你遇到过的或设想的市场异常，比如肥尾、波动率微笑、聚集效应，然后讨论你怎么用随机过程改进。
第四，做题。但不是做数学题，是做“翻译题”。找一道期权定价题，先用直觉解释为什么价格应该是这样，再用数学推导验证。面试官想看到的是直觉+严谨的组合。
第五，准备你自己的问题。每一轮最后面试官会问你有没有问题。问“团队目前最大的建模挑战是什么”比问“你们用什么模型”更好。前者显示你在思考他们的实际问题，后者只是收集信息。
第六，mock interview。至少找人模拟两轮技术面，让对方往死里追问。你会发现很多你以为懂的东西其实说不清楚。
第七，了解你申请的具体岗位方向。衍生品定价、风险管理、算法交易、统计套利——不同方向对随机过程的侧重点不一样。衍生品定价需要精通BS、局部波动率、随机波动率；风险管理需要熟悉极端事件建模和尾部风险；算法交易需要理解高频价格动态和订单流。
常见错误
错误一：只背公式，不理解假设
BAD版本：面试官问“Black-Scholes模型的假设是什么”，候选人回答“股票价格服从几何布朗运动、无风险利率常数、波动率常数、没有交易成本、市场完备”，像背教科书目录。
GOOD版本：候选人从一个问题开始——“我们假设股票价格可以用几何布朗运动描述，这意味着对数收益率服从正态分布，而且增量独立。但实证中收益率有肥尾，而且大幅波动往往聚集在一起。所以常数波动率的假设在实践中需要修正，比如用Heston模型引入随机波动率，或者用局部波动率表面描述波动率如何随价格和时间变化。”这不是在背假设，而是在展示你理解每个假设的含义和后果。
错误二：过度复杂，显示自己懂
BAD版本：面试官问“你怎么给期权定价”，候选人开始讲蒙特卡洛模拟、有限差分法、傅里叶变换，还提到要校准波动率曲面，完全不考虑题目只需要解析解。
GOOD版本：候选人先确认题目条件——“假设Black-Scholes假设成立，那么可以直接用解析公式。如果需要更精确或者假设不成立，再考虑数值方法。”简洁、准确、显示你知道什么时候用什么工具。
错误三：不会承认不确定
BAD版本：面试官问“你觉得波动率偏斜是怎么形成的”，候选人确信地说“因为交易员的情绪”，然后坚持这个观点不放。
GOOD版本：候选人可以说“我理解几种可能的解释——一是需求不平衡导致虚值看跌期权溢价，二是模型假设错误导致对冲成本，三是信息不对称。最新的学术研究认为是混合原因，但具体权重还不清楚。”显示你了解不同理论，而且愿意承认不确定性。
FAQ
Q：我是非金融背景，数学基础不错，需要多长时间准备随机过程？
A：如果你是数学、物理、或工程背景，有概率论基础，2-4周的集中学习可以覆盖面试需要的80%内容。但这不是说你去刷教材——你要做的是围绕量化面试的考点重新组织知识。具体来说：第一周过基本概念（布朗运动、马尔可夫、伊藤引理），第二周学Black-Scholes的推导和假设，第三周了解扩展模型（随机波动率、跳跃-扩散），第四周做项目或刷题巩固。重点不是你会多少，而是你能用自己的话解释多少。一个检测标准：找一个不懂金融的朋友，给他讲5分钟随机过程，看他能不能听懂你在说什么。
Q：面试中问到随机过程完全不会，该怎么抢救？
A：不会的问题分为两种情况。第一种是你学过但紧张忘了，这时候直接说“我记得这个概念，让我整理一下思路”，然后尝试推导，不要硬撑。第二种是你真的没学过，这时候最好的策略是诚实加推理：“这个具体的模型我没有深入研究过，但基于我对随机过程的了解，它应该是处理XX问题的。从类似的模型类比，我觉得它的核心思想可能是XX。如果我有更多时间准备，我想去了解YY文献。”面试官不是在等你全答对，而是在观察你面对未知时的思考方式。我见过一个候选人被问到jump diffusion，他完全没准备，但他说“我理解股价在正常市场下连续，但重大新闻会导致跳。泊松过程可以用来描述跳的频率。Jump diffusion就是在这两者之间做混合。我不确定这个理解是否准确，但这是我会 starting point”。后来他进了终面。
Q：随机过程在 不同岗位的面试中，考察深度有什么区别？
A：差异非常大。衍生品定价岗位（desk quant、quant developer）会考得很细，要求你能推导BS、能讨论各种扩展模型、能写数值算法。算法交易岗位更关注价格动态和执行，会问市场微观结构、订单流、高频数据建模，对随机过程的深度要求稍低但广度要求高。风险管理岗位会关注极端事件、尾部风险、资本金计算，需要熟悉VaR、CVaR、以及相关的随机过程变体。量化研究员（research）岗位最看重创新能力，会问你怎么发现新的定价因子、怎么验证模型假设、怎么处理数据中的噪声。面试前一定搞清楚岗位的具体方向，针对性准备。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。